SMART DYNAMIC JOB SCHEDULING FOR SUSTAINABLE MANUFACTURING AND INDUSTRY 5.0. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Hudaifah_Dissertation_Report_Final_260519.pdf - Accepted Version Restricted to Repository staff only until 19 May 2027. Available under License Creative Commons Attribution. Download (5MB)

Arabic Abstract

يُبرز التحول نحو الصناعة 5.0 الحاجة المتزايدة إلى أنظمة جدولة إنتاج ديناميكية تتجاوز أهداف الإنتاجية التقليدية، لتشمل كذلك الجوانب البيئية ورفاهية الإنسان. ومع ذلك، ما تزال الدراسات الحالية في مجال الجدولة الديناميكية المستدامة لبيئة الورشة الإنتاجية تركز بدرجة كبيرة على الأهداف المرتبطة بالزمن والطاقة، في حين لا تزال الاعتبارات المرتبطة بالإنسان محدودة وغالبًا ما تُعرض بصورة مبسطة أكثر من اللازم. وعلى وجه الخصوص، غالبًا ما يُقدَّر عبء عمل المشغل بالاعتماد على زمن المعالجة التراكمي فقط، وهو ما يتجاهل الفروق في الخصائص الفسيولوجية والقدرة البدنية بين المشغلين.ولمعالجة هذه الفجوات، تقترح هذه الرسالة إطارًا بحثيًا شاملًا للجدولة الديناميكية المستدامة في سياق الصناعة 5.0. أولًا، تم تطوير أطر مفاهيمية منظمة لتوضيح كيفية الدمج المنهجي للعوامل الديناميكية، والاعتبارات البيئية، والجوانب المرتبطة بالإنسان في مسائل الجدولة. كما تم إجراء مراجعة منهجية للأدبيات العلمية لفحص التطورات الحديثة وتحديد الفرص البحثية التي ما تزال بحاجة إلى مزيد من الاستكشاف. ثانيًا، تقترح هذه الرسالة منهجية حل تعتمد على بنية هرمية متعددة الوكلاء مستوحاة من الطبيعة، بحيث تراعي في الوقت نفسه الأداء المرتبط بالزمن، والأداء المرتبط بالكربون، وتوازن عبء العمل بين المشغلين. ويقوم النهج المقترح بدمج نمذجة مخصصة لعبء العمل ضمن قرارات إسناد المشغلين، من خلال تقدير عبء العمل باستخدام خصائص فسيولوجية تشمل العمر، والوزن، والطول، ومؤشر كتلة الجسم، ومعدل ضربات القلب أثناء الراحة، ومدة المهمة. وقد صُمم النظام لبيئات التصنيع الديناميكية، ويعالج أحداث الاضطراب المتمثلة في وصول وظائف جديدة وإلغاء وظائف قائمة من خلال آلية إعادة جدولة تنبؤية–تفاعلية. ثالثًا، تطور هذه الرسالة نظام دعم قرار ذكيًا وقابلًا للتفسير لاختيار استراتيجية إعادة الجدولة، وذلك من خلال دمج التعلم الآلي، والتفسير المعتمد على SHAP، ونموذج لغوي خفيف الوزن، بهدف تقديم توصيات شفافة وسهلة الفهم في ظل اختلاف حالات النظام وخصائص الاضطراب. وتُظهر التجارب الحاسوبية على عدة مسائل معيارية أن النهج المقترح يحقق أداءً تنافسيًا من حيث الإنتاج والأداء البيئي، مع تحسين ملحوظ في عدالة توزيع أعباء العمل بين المشغلين. وبوجه عام، تسهم هذه الرسالة في تطوير مجال الجدولة الديناميكية المستدامة من خلال توحيد المنظور المفاهيمي، والمنهجي، ومنظور دعم القرار لخدمة أنظمة تصنيع متمحورة حول الإنسان في عصر الصناعة 5.0.

English Abstract

The transition toward Industry 5.0 has increased the need for dynamic production scheduling systems that go beyond conventional productivity objectives to also address environmental and human well-being. However, existing studies on sustainable dynamic job shop scheduling remain largely focused on time and energy related objectives, while human-related considerations are still limited and are often oversimplified. In particular, operator workload is commonly approximated using cumulative processing time, which neglects differences in operators’ physiological characteristics and physical capacity. To address these gaps, this dissertation proposes a comprehensive research framework for sustainable dynamic job scheduling in the context of Industry 5.0. First, structured conceptual frameworks are developed to explain how dynamic factors, environmental considerations, and human-related aspects can be systematically incorporated into job scheduling problems. A systematic literature review is also conducted to examine recent developments and identify underexplored research opportunities. Second, a solution approach is proposed based on a hierarchical multi-agent nature-inspired architecture that simultaneously considers time-related performance, carbon-related performance, and operator workload balance. The proposed approach integrates personalized workload modeling into operator assignment decisions by estimating operator workload using physiological attributes, including age, weight, height, body mass index, resting heart rate, and task duration. The system is designed for dynamic manufacturing environments and addresses disruption events in the form of new job arrivals and job cancellations through a predictive-reactive rescheduling mechanism. Third, this dissertation develops an intelligent and explainable decision support system for rescheduling strategy selection by integrating machine learning, SHAP-based interpretation, and a lightweight language model to provide transparent and user-friendly recommendations under different system states and disruption characteristics. Computational experiments on multiple benchmark instances demonstrate that the proposed approach achieves competitive production and environmental performance while significantly improving workload fairness among operators. Overall, this dissertation contributes to the advancement of sustainable dynamic scheduling by unifying conceptual, methodological, and decision-support perspectives for human-centric manufacturing systems in the Industry 5.0 era.